Plan du cours

Leçon 1 : MATLAB Les bases de la mise en route 1,  Brève introduction à l'installation de MATLAB, à l'historique des versions et à l'environnement de programmation 2,   ; Opérations de base MATLAB (y compris les opérations matricielles, la logique et le contrôle des processus, les fonctions et les fichiers de script, le dessin de base, etc.) 3,   ; importation de fichiers (mat, txt, xls, csv et autres formats) Leçon 2 : MATLAB Avancées et améliorations 1、   ;MATLAB Habitudes et style de programmation 2,   ;MATLAB Compétences de débogage 3,  Programmation vectorielle et optimisation de la mémoire 4,  Objets graphiques et poignées Leçon 3 : Réseaux neuronaux BP 1,  Principes de base des réseaux neuronaux BP 2,  Mise en oeuvre d'un réseau neuronal BP MATLAB 3,  Cas pratique 4,  Optimisation des paramètres du réseau de neurones BP Leçon 4 : Réseaux neuronaux RBF, GRNN et PNN 1,  Principes de base des réseaux neuronaux RBF 2,  Principe de base du réseau neuronal GRNN 3,  Principes de base des réseaux neuronaux PNN 4、  Cas pratique Leçon 5 : Réseaux neuronaux compétitifs et réseaux neuronaux SOM 1,  Principes de base des réseaux neuronaux compétitifs 2,  Principes de base des réseaux neuronaux à cartographie de caractéristiques auto-organisées (SOM) 3、  Cas pratique Leçon 6 : Machine à vecteurs de support (SVM) 1,  Principes de base de la classification SVM 2,  Principes de base de la régression SVM 3,  Algorithmes de formation SVM courants (chunking, SMO, apprentissage incrémental, etc.) 4,  Cas pratique Leçon 7 : Machine d'apprentissage extrême (Extreme Learning Machine, ELM) 1,  Principes de base de l'ELM 2,  Différence et connexion entre l'ELM et le réseau neuronal BP 3,  Cas pratique Leçon 8 : Arbre de décision et forêt aléatoire 1,  Principes de base de l'arbre de décision 2,  Les principes de base des forêts aléatoires 3,  Cas pratique Leçon 9 : Algorithme génétique (AG) 1,  Les principes de base de l'algorithme génétique 2,  Introduction à la boîte à outils commune des algorithmes génétiques 3,  Cas pratique Leçon 10 : Algorithme d'optimisation par essaim de particules (PSO) 1,  Principes de base de l'algorithme d'optimisation par essaims de particules 2、  Cas pratique Leçon 11 : Algorithme de colonies de fourmis (ACA) 1,  Principes de base de l'algorithme d'optimisation par essaimage de particules 2,  Cas pratique Leçon 12 : Recuit simulé (SA) 1,  Principes de base de l'algorithme de recuit simulé 2,  Cas pratique Leçon 13 : Réduction de la dimensionnalité et sélection des caractéristiques 1,  Le principe de base de l'analyse en composantes principales 2,  Le principe de base des moindres carrés partiels 3,  Méthodes courantes de sélection de caractéristiques (recherche optimale, filtre et enveloppe, etc.)

Pré requis

高等数学
线性代数

  21 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Nos Clients témoignent (2)

Cours Similaires

MATLAB Fundamentals, Data Science & Report Generation

  35 heures

Catégories Similaires